Как искусственный интеллект может сделать МРТ более точной и надежной
Магнитно-резонансная томография (МРТ) — одна из самых эффективных технологий оценки внутренних структур человеческого мозга. Технология, которая использует магнитное поле и радиоволны для получения изображений мягких тканей, является неинвазивной и не использует радиацию. Но у нее есть недостатки.
Движение участников, например дыхание, моргание или непроизвольные движения, во время сканирования МРТ может вызвать размытость и повторяющиеся версии структур или артефакты-призраки. Поскольку МРТ играет такую важную роль в диагностике мозга и неврологических исследованиях, исследователи постоянно думают о новых способах лучшего захвата тонкостей человеческого мозга.
Исследователи в лаборатории Ли Вана, доктора философии, доцента кафедры радиологии, создали две новые модели генеративного искусственного интеллекта (ИИ), которые помогут улучшить качество изображений МРТ мозга. Одна модель может более точно удалять немозговую ткань с изображений, а другая может значительно улучшить качество изображений. Их последние статьи были опубликованы в журнале Nature Biomedical Engineering .
«Качество изображений важно для визуализации анатомии и патологии мозга и может помочь в принятии клинических решений», — сказал Ван, который также является членом Центра биомедицинской исследовательской визуализации. «Наши генеративные модели ИИ могут выполнять более точный и надежный анализ структур мозга, что имеет решающее значение для раннего выявления, диагностики и мониторинга неврологических состояний», — сказал Ван.
Прежде чем МРТ сможет полностью обработать изображения, необходимо сначала удалить кости, окружающие мозг (череп), и другие ткани, не относящиеся к мозгу, из изображений. Этот процесс, называемый «skull-striping», позволяет рентгенологам беспрепятственно просматривать мозговую ткань. Однако МРТ часто испытывают трудности с получением точных и последовательных результатов, когда данные сканирования всегда поступают с разных типов сканеров, от разных людей и в разных форматах.
В частности, при стрипинге черепа сложно изолировать мозг от черепа, когда мозг претерпевает динамические изменения, такие как размер мозга и инвертированный контраст тканей между белым веществом (БВ) и серым веществом (СВ) на протяжении всей жизни. В результате стрипинг черепа может непреднамеренно удалить слишком много или слишком мало немозговой ткани, окружающей мозг, что помешает точной интерпретации анатомии мозга.
Новая статья показала, что их модель черепной штриховки может более точно удалять немозговую ткань и предсказывать изменения в объеме мозга с течением жизни. Используя большой и разнообразный набор данных из 21 334 продолжительностей жизни, полученных из 18 мест с различными протоколами визуализации и сканерами, исследователи подтвердили, что их модель может точно отображать основные биологические процессы развития и старения мозга. Лимей Ван, кандидат наук в лаборатории Ван, был ведущим автором статьи.
Вторая модель ИИ, названная Brain MRI Enhancement foundation (BME-X), была создана для улучшения общего качества изображений. В предыдущей статье , впервые написанной Юэ Суном в лаборатории Ван, были изложены особенности модели улучшения качества и способы ее использования для улучшения ухода за пациентами и неврологических исследований.
Как и их модель черепа-полосатого, BME-X был протестирован на более чем 13 000 изображений от различных групп пациентов и типов сканеров. Исследователи обнаружили, что он превзошел другие современные методы в коррекции движения тела, реконструкции изображений с высоким разрешением из изображений с низким разрешением, снижении зернистого шума и обработке патологических МРТ.
Одной из самых примечательных особенностей модели является ее способность «гармонизировать» изображения с разных сканеров МРТ. В клиниках, по всей стране и миру используются различные сканеры МРТ, в том числе производства Siemens, GE и Philips, и каждый из них использует разные модели и параметры визуализации.
Эта изменчивость может затруднить получение четких и последовательных результатов для врачей и исследователей. BME-X может принимать все данные и выравнивать игровое поле, создавая «гармонизированные» данные для использования в клинических или исследовательских целях.
Обе модели ИИ имеют потенциал для облегчения клинических испытаний и исследований с участием нескольких исследовательских институтов или сканеров МРТ. В области нейровизуализации модели также могут использоваться для создания новых стандартизированных протоколов и процедур визуализации. Их также можно применять к другим методам визуализации, таким как КТ.